AutoEmbedder：一种用于聚类的半监督DNN嵌入系统
机器学习
2020-07-14 v1 计算机视觉与模式识别
机器学习
摘要
聚类是处理无标签数据的广泛使用的无监督学习方法。深度聚类已成为将聚类与深度神经网络（DNN）架构关联的热门研究领域。深度聚类方法对高维数据进行下采样，也可能关联聚类损失。深度聚类也被引入半监督学习（SSL）。大多数SSL方法依赖于成对约束信息，即一个包含数据对是否可位于同一簇中的知识的矩阵。本文介绍一种名为AutoEmbedder的新型嵌入系统，将高维数据下采样为可聚类的嵌入点。据我们所知，这是首个将传统分类器DNN架构与成对损失缩减技术相关联的研究尝试。训练过程是半监督的，并在特征学习阶段使用连体网络架构计算成对约束损失。AutoEmbedder在著名数据集上测试时优于大多数现有的基于DNN的半监督方法。
引用
@article{arxiv.2007.05830,
title = {AutoEmbedder: A semi-supervised DNN embedding system for clustering},
author = {Abu Quwsar Ohi and M. F. Mridha and Farisa Benta Safir and Md. Abdul Hamid and Muhammad Mostafa Monowar},
journal= {arXiv preprint arXiv:2007.05830},
year = {2020}
}
备注
The manuscript is accepted and published in Knowledge-Based System